Water Bottom and Surface Classification Algorithm for Bathymetric LiDAR Point Clouds of Very Shallow Waters

Abstract

The absence of accurate point classification limits the effective use of airborne bathymetric LiDAR (ABL) data for coastal zone mapping. In this study, we propose a classification approach using a custom waveform decomposition technique with the pseudo-waveform generated from ABL point cloud data. Initially, the input point clouds were organized into a 2D grid. Next, the points that fall into a grid cell were organized into a histogram using Z-values to generate the pseudo-waveform. Subsequently, the pseudo-waveform was decomposed into water bottom, column, surface, and noise components using a custom multiple Gaussian curve fitting method. The proposed approach was evaluated with datasets acquired in Florida, USA, using a Riegl VQ-880-G ABL system. With an optimized parameter set, the proposed approach achieved F1 score of 98.944% for the classification of water bottom and an overall accuracy of 91.234% for all the classes. Further, the proposed approach was evaluated with datasets acquired in South Korea using a Seahawk system and compared against MBES data, demonstrating that the water bottom was successfully classified with a vertical error of 0.049 ± 0.167 m.

RÉSUMÉ

L'absence de classification précise des nuages de points limite l‘utilisation efficace des données bathymétriques aéroportées LiDAR (ABL) pour la cartographie des zones côtières. Dans cette étude, nous proposons une approche de classification utilisant une technique de décomposition de forme d‘onde personnalisée avec la pseudo-forme d‘onde générée à partir des nuages de points ABL. Initialement, les nuages ​​de points d‘entrée étaient organisés en une grille 2D. Ensuite, les points qui tombent dans une cellule de la grille ont été organisés en un histogramme en utilisant des valeurs Z pour générer la pseudo-forme d‘onde. Par la suite, la pseudo-forme d‘onde a été décomposée en quatre composantes, fond de l‘eau, colonne, surface et bruit, à l‘aide d‘une méthode d‘ajustement de courbe gaussienne multiple personnalisée. L'approche proposée a été évaluée avec des ensembles de données acquis en Floride, aux États-Unis, à l‘aide d‘un système Riegl VQ-880-G ABL Avec un ensemble de paramètres optimisé, l‘approche proposée a obtenu un score F1 de 98,944% pour la classification du fond de l‘eau et une précision globale de 91,234% pour toutes les classes. En outre, l‘approche proposée a été évaluée avec des ensembles de données acquis en Corée du Sud à l‘aide d‘un système Seahawk et comparées aux données MBES, démontrant que le fond de l‘eau a été classé avec succès avec une erreur verticale de 0.049 ± 0.167 m.

Acknowledgments

The authors would like to thank NOAA Digital Coast (Office for Coastal Management) for providing Riegl VQ-880G bathymetric LiDAR data.

Disclosure statement

No conflict of interest was reported by the author(s).

Additional information

Funding

This research was supported by Korea Institute of Marine Science and Technology Promotion (KIMST) funded by the Ministry of Oceans and Fisheries [No. 20200623] and Basic Science Research Program through the National Research Foundation of Korea (NRF) funded by the Ministry of Education [No. 2021R1I1A3059263].